PEMAMPATAN DAN REKONSTRUKSI CITRA
MENGGUNAKAN ANBALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENTS ANALYSIS) Praditya*, Budi Setiono**, Rizal Isnanto**
Abstrak - Saat ini sudah banyak aplikasi berbasis citra digital maupun pengalihan(transfer) data dalam bentuk citra digital. Citra digital merupakan suatu data yang membutuhkan ruang memori cukup besar untuk penyimpanannya dan membutuhkan waktu pengalihan data yang lama sesuai dengan ukurannya. Hal ini akan sangat terasa pada aplikasi-aplikasi yang menggunakan citra digital dalam jumlah besar atau pada saat pengalihan data dalam jumlah besar sedangkan kapasitas memori dan lebar bidang media sangat terbatas. Untuk mengurangi masalah ini, ukuran citra harus direduksi melalui proses pemampatan citra.
Sudah banyak metode pemampatan citra yang dikembangkan dan diaplikasikan. Pada tugas akhir ini dikembangkan teknik pemampatan citra digital menggunakan Analisis Komponen Utama atau metode Karhunen-Loeve. Metode ini termasuk dalam pemampatan berugi, dimana beberapa elemen citra yang kurang penting dihilangkan. Namun metode ini dapat mengurangi ukuran citra secara signifikan. Metode ini mereduksi dimensi citra menjadi lebih ringkas menggunakan proses alihragam. Untuk merekonstruksi citra dilakukan proses alihragam balik.
Pada akhirnya dapat disimpulkan bahwa Analisis Komponen Utama cukup layak digunakan untuk metode pemampatan citra. Hasil pemampatan yang optimal diperoleh pada citra yang bertekstur sederhana serta mempunyai resolusi yang tinggi.
Kata kunci : Analisis Komponen Utama, pemampatan berugi, citra digital, dimensi citra, alihragam, alihragam balik.
I. PENDAHULUAN
Tujuan pemampatan citra digital adalah untuk menghemat memori penyimpananya serta mempercepat pengalihan data. Teknik pemampatan secara umum terbagi dua, yaitu pemampatan berugi (lossy) dan tak berugi (lossless). Pemampatan berugi menghilangkan sebagian informasi yang kurang signifikan dari data yang dimampatkan, sedangkan pemampatan tak berugi tidak menghilangkan informasi apapun dari data yang dimampatkan. Pemampatan menggunakan Analisis Komponen Utama (PCA) termasuk pemampatan berugi.
II. TEORI ANALISIS KOMPONEN UTAMA
Analisis Komponen Utama (PCA) adalah teknik statistik untuk mengidentifikasi pola dalam suatu data, dan mengekspresikan suatu data sedemikian rupa sehingga diperoleh persamaan-persamaan dan perbedaan-perbedaanya[5]. Salah satu keunggulan PCA adalah sekali pola suatu data dapat ditemukan, maka dapat dilakukan pemampatan data tanpa mengurangi
banyak informasi pada data itu, misalnya dengan mengurangi jumlah dimensi. Teknik ini digunakan pada pemampatan citra digital dan disebut juga alihragam Karhunen-Loeve atau alihragam Hotelling[6] .
Langkah-langkah dalam PCA adalah sebagai berikut.
1. Mengumpulkan himpunan data n dimensi dengan m sampel setiap dimensinya.
Tabel 2.1 Himpunan data dengan 2 dimensi 4 sampel
X Y
154 50
171 69
180 74
165 60
2. Penyesuaian data, yaitu mencari nilai rerata masing-masing dimensi dan mengurangkan setiap nilai sampel dengan nilai rerata sesuai dengan dimensinya, XiX, dimana i = 1, 2, …, m.
Tabel 2.2 Contoh data hasil penyesuaian
3. Membentuk matriks varians-kovarians dari data yang telah diperoleh menggunakan persamaan 2.1 dan 2.2. Matriks varians-kovarians ditunjukkan pada Contoh 1.
1 )
,
cov( 1
n
Y Y X X Y
X
i n
i i (2.1)
)) , cov( ,
( i,j i,j i j
n
n c c Dim Dim
C (2.2)
Dimana
C = matriks varians-kovarians
Dimi,Dimj = dimensi ke-i, dimensi ke-j
n = jumlah sampel setiap dimensi
cov(X,Y) = nilai kovarian antara dimensi X dan Y
Tabel 2.3 Contoh hasil perhitungan varians dan kovarians
X i
X YiY
2X i
X
YiY2
XiX
YiY-13,5 -13,25 182,25 175,5625 178,875
3,5 5,75 12,25 33,0625 20,125
12,5 10,75 156,25 115,5625 134,375
-2,5 -3,25 6,25 10,5625 8,125
∑ = 375 ∑ =334,75 ∑ = 314,5
X Y X X
i YiY
X =167,5 Y =63,25 Penyesuaian X Penyesuaian Y
154 50 -13,5 -13,25
171 69 3,5 5,75
180 74 12,5 10,75
165 60 -2,5 -3,25
*
Mahasiswa Jurusan Teknik Elektro UNDIP **
Contoh 1: varians-kovarians yang memenuhi persamaan 2.3a dan 2.3b. Hasil perhitungan vektor eigen dan nilai eigen ditunjukkan pada Contoh 2a dan 2b.
0
5. Mengelompokkan vektor-vektor eigen ke dalam suatu Matriks Ciri (MC), yang urutannya mulai dari vektor eigen dengan nilai terbesar ke vektor eigen dengan nilai lebih kecil.
Contoh 3:
6. Membentuk data akhir dengan mengalikan operasi tranpos terhadap Matriks Ciri tersebut dan mengalikannya dengan himpunan data hasil penyesuaian yang telah ditranspos.
DPB MCB
DA (2.4)
Dimana
DA = Data akhir
MCB = Matriks citra yang ditranspos DPB = Data penyesuaian yang ditranspos Contoh 4:
7.
Merekonstruksi kembali himpunan data yang
asli menggunakan persamaan 2.5.
DA MCB
DPB( )T (2.5)
Dimana
DPB = Data penyesuaian yang ditranspos hasil
rekonstruksi
III. PERANCANGAN SISTEM
Penerapan PCA pada Pemampatan Citra
Untuk melakukan pemampatan terhadap suatu citra, maka citra tersebut dibagi terlebih dahulu menjadi beberapa blok dan ukuran resolusi tiap blok citra tersebut harus sama.
Gambar 3.1 Pembagian citra menjadi beberapa blok
Blok-blok tersebut disusun sebagai kolom-kolom yang berbeda yang disebut sebagai matriks citra (MCit). Matriks citra ini merupakan representasi dari himpunan data dengan dimensi berupa blok-blok citra.
Selanjutnya membentuk matriks penyesuaian (MCitP) dengan mengurangkan setiap sampel dimensi dengan rerata dari dimensi yang bersangkutan.
Langkah selanjutnya adalah membentuk matriks varians-kovarians (C) dari matriks penyesuaian (MCitP). Matriks varians-kovarians selalu berbentuk bujursangkar dan berukuran n × n, dimana n adalah jumlah dimensi (jumlah blok), karena matriks varians-kovarians merepresentasikan hubungan timbal balik antara dimensi/blok pada matriks penyesuaian.
Dari matriks varians-kovarians dapat dicari vektor-vektor eigen beserta nilai eigen-nya. Vektor eigen ini diurutkan nilai eigen-nya dari terbesar ke terkecil, kemudian disusun ke dalam sebuah matriks ciri (MC). Matriks ciri selalu mempunyai jumlah kolom sebanyak
n (jumlah dimensi/blok).
k
MC1 2 ... (3.4)
dimana k ≤ n adalah jumlah vektor eigen yang diambil.
Untuk kepentingan pemampatan, sebagian vektor eigen yang nilai eigen-nya kecil dibuang dan disisakan sebanyak k vektor eigen. Dari vektor eigen yang tersisa pada matriks ciri dapat dibentuk sebuah matriks
Proses pemampatan dilakukan dengan mengalikan matriks alihragam dengan matriks penyesuaian yang ditranspos sehingga diperoleh matriks data akhir (MDA)
Persamaan 3.7 digunakan untuk merekonstruksi citra. Hasil rekonstruksi berupa matriks penyesuaian terekonstruksi yang ditranspos.
MDA MA MCitP)T( )T
( (3.7a)
T
TMCitP
MCitP( )
(3.7b)
Matriks citra penyesuaian terekonstruksi akan tepat sama nilainya dengan matriks citra penyesuaian sebelum proses pemampatan citra) jika dan hanya jika seluruh vektor eigen diikutsertakan ke dalam matriks ciri.
Untuk mendapatkan kembali matriks citra maka matriks penyesuaian dijumlahkan dengan rerata X .
X MCitP k
MCitRe )
( (3.8)
Matriks citra ini kemudian disusun kembali menjadi blok-blok citra terekonstruksi.
Algoritma Program
Algoritma Program Utama
1. Membaca citra yang akan dimampatkan. 2. Melakukan proses pengolahan awal. 3. Melakukan proses pemampatan citra. 4. Melakukan proses rekonstruksi citra. 5. Menampilkan hasil rekonstruksi citra. 6. Menskalakan data citra termampat.
7. Menyimpan data citra termampat terskala ke dalam berkas.
8. Membaca data citra termampat terskala dari berkas. 9. Menjalankan kembali algoritma program mulai
langkah keempat.
Algoritma Pengolahan Awal
1. Membagi nilai elemen piksel dengan 255.
2. Menambahkan data dummy jika resolusi citra tidak habis dibagi 50.
3. Memecah citra menjadi blok-blok kecil yang berukuran 50 × 50 piksel.
Gambar 3.2 (a) Pembentukan blok citra tanpa penambahan dummy; (b) Pembentukan blok citra dengan penambahan dummy
4. Menyusun matriks citra.
5. Menghitung rerata dari setiap kolom pada matriks citra.
6. Membentuk matriks penyesuaian dari matriks citra. 7. Membentuk matriks varians-kovarians.
8. Mencari vektor eigen dari matriks varians-kovarians.
Algoritma Pemampatan Citra
1. Menyusun matriks alihragam dengan mentranspos vektor-vektor eigen terpilih.
2. Menghitung informasi ukuran resolusi citra asli yang diperlukan saat rekonstruksi citra untuk menghilangkan data dummy.
3. Menghitung informasi ukuran blok citra yang diperlukan saat rekonstruksi citra untuk membentuk kembali potongan-potongan blok citra.
4. Memampatkan citra dengan mengalikan matriks alihragam dan matriks penyesuaian yang telah ditranspos.
5. Membuat footer citra yang berisi matriks alihragam dan nilai rerata.
Gambar 3.3 Format footer citra
6. Membuat header citra yang berukuran 1 × 8 × 32 bit.
Gambar 3.4 Format header citra saat proses pemampatan
Algoritma Rekonstruksi Citra
1. Mempersiapkan data citra termampat, header citra, dan footer citra.
2. Mengekstrak informasi nilai maksimum dan nilai minimum data citra termampat dari header citra. 3. Mengekstrak matriks alihragam dari footer citra. 4. Mengekstrak nilai rerata dari footer citra.
5. Mengekstrak informasi ukuran blok citra dari
header citra.
6. Mengekstrak informasi ukuran resolusi citra asli dari header citra.
7. Menghitung matriks penyesuaian terekonstruksi melalui proses alihragam balik dengan mentranspos hasil perkalian antara matriks alihragam yang telah ditranspos dengan data citra termampat.
8. Menambahkan matriks penyesuaian terekonstruksi dengan nilai rerata sehingga diperoleh matriks citra terekonstruksi.
9. Mengubah matriks citra terekonstruksi menjadi potongan-potongan blok citra menggunakan 50 piksel
50 piksel
50 piksel
50 piksel
(a) (b)
Matriks alihragam m × n
Nilai rerata 1 × n n
1 m
m + 1
dicadangkan Ukuran
resolusi citra asli
Ukuran blok citra
Nilai maksimum dan minimum
data citra termampat Ukuran
resolusi citra asli
Ukuran blok citra
X1 X2 Y1 Y2 min max min max
Nilai maksimum dan minimum
footer citra
informasi ukuran blok citra, kemudian menyatukan kembali menjadi satu citra utuh.
10. Menghilangkan data dummy dari citra tersebut dengan cara dipotong berdasarkan ukuran resolusi citra asli dengan posisi titik kiri atas citra sebagai patokannya.
Algoritma Penskalaan Data Citra Termampat 1. Menyiapkan data citra termampat, header citra, dan
footer citra.
2. Mencari nilai maksimum dan nilai minimum dari data citra termampat dan footer citra.
3. Menskalakan data citra termampat dan footer citra menggunakan persamaan 3.9.
255 min max
min round
N N
N NA
NT (3.9)
Dimana :
NA = Nilai asli
NT = Nilai terskala
Nmax = Nilai maksimum
Nmin = Nilai minimum
4. Meletakkan informasi nilai maksimum dan nilai minimum data citra termampat serta footer citra secara berurutan pada kolom ke-5 dan ke-6 serta kolom ke-7 dan ke-8 header citra.
Gambar 3.5 Format header citra setelah proses penskalaan
Algoritma Penyimpanan ke Berkas
1. Menyiapkan data citra termampat terskala, header citra, dan footer citra terskala.
2. Menghitung resolusi citra termampat terskala. 3. Menghitung resolusi footer citra terskala.
4. Menambahkan informasi resolusi citra termampat terskala dan resolusi footer citra terskala ke dalam
header citra.
Gambar 3.6 Format header citra saat proses penyimpanan
5. Menyiapkan berkas dengan kondisi append supaya dapat ditulisi dengan data citra termampat terskala,
header citra, dan footer citra terskala.
6. Menyimpan header citra ke berkas dengan tipe data
single (32-bit).
7. Menyimpan data citra termampat terskala yang bertipe data integer tak bertanda 8-bit (uint8) ke dalam berkas.
8. Menyimpan footer citra terskala yang bertipe data
integer tak bertanda 8-bit (uint8) ke dalam berkas. 9. Menutup kembali berkas yang telah diisi.
Gambar 3.7 Format data yang disimpan ke berkas
Algortima Pembacaan Data dari Berkas 1. Menentukan nama dan lokasi berkas.
2. Membuka dan menyiapkan berkas dengan kondisi
read.
3. Membaca header citra dari dalam berkas.
4. Mengambil informasi ukuran data citra termampat terskala dari header citra.
5. Mengambil informasi ukuran footer citra terskala dari header citra.
6. Membaca data citra termampat terskala yang bertipe
uint8 dari berkas berdasarkan informasi ukuran
data citra termampat terskala.
7. Membaca footer citra terskala yang bertipe uint8 dari berkas berdasarkan informasi ukuran footer citra terskala.
8. Menutup kembali berkas yang sudah dibaca isinya. 9. Membuang informasi ukuran data citra termampat
terskala dan ukuran footer citra terskala dari header citra. Informasi ini dibuang karena sudah tidak digunakan lagi.
Algoritma Penskalaan Balik
1. Mempersiapkan data citra termampat terskala dan
footer citra termampat terskala serta nilai maksimum dan nilai minimumnya masing-masing yang diambil dari header citra.
2. Melakukan proses penskalaan balik menggunakan persamaan 3.10.
Nmaks Nmin /255 Nmin
NT
NA (3.10)
Dimana :
NA = Nilai asli
NT = Nilai terskala
Nmaks = Nilai maksimum
Nmin = Nilai minimum
Ukuran data citra termampat
terskala
Header citra
setelah proses penskalaan
Z1 Z2 Z3 Z4
Ukuran footer citra terskala
Header citra (1 × 12)
Data citra termampat terskala ( m × k )
IV. HASIL PENELITIAN DAN PEMBAHASAN
Pengujian Menggunakan Tiga Citra dengan Resolusi Berbeda
Pengujian dilakukan menggunakan tiga citra yang resolusinya berbeda-beda kemudian dimampatkan dengan variasi nilai prosentase pemampatan, kemudian hasilnya dibandingkan satu sama lain. Citra yang akan diujikan adalah ziyi.bmp yang mempunyai resolusi 800 × 600, 600 × 450, 400 × 300. Tujuan pengujian ini untuk mengetahui pengaruh resolusi citra masukan terhadap kualitas citra hasil rekonstruksi.
Untuk mempersingkat pembahasan, hanya ditampilkan hasil pengujian untuk nilai prosentase pemampatan 70% untuk ketiga citra yang ditunjukkan pada Gambar 3.8.
Gambar 3.8 (a) Citra ziyi.bmp asli; (b) Citra rekonstruksi ziyi.bmp 800 × 600 dengan prosentasi pemampatan 70%; (c) Citra rekonstruksi ziyi.bmp 600 × 450 dengan prosentasi pemampatan 70%; (d) Citra rekonstruksi ziyi.bmp 400 × 300 dengan prosentasi pemampatan 70%;
Secara singkat hasil pengujiannya adalah sebagai berikut. Hasil rekonstruksi citra resolusi 800 × 600 mulai buruk saat rasio pemampatan di atas 75%. Hasil rekonstruksi citra resolusi 600 × 450 mulai buruk saat rasio pemampatan di atas 60%. Hasil rekonstruksi citra resolusi 800 × 600 mulai buruk saat rasio pemampatan di atas 40%.
Hasil pengujian menunjukkan citra yang resolusinya besar lebih tahan terhadap prosentase pemampatan yang tinggi. Indikatornya adalah hasil
rekonstruksinya lebih baik dibanding dengan citra yang resolusinya lebih rendah. Hal ini disebabkan pada citra yang resolusinya tinggi, bidang citra yang dicakup oleh setiap potongan blok lebih sempit, sehingga jumlah dimensi (ruang pengukuran) akan semakin banyak. Akibatnya identifikasi pola antar dimensi akan semakin detail dan akurat yang ditunjukkan dengan semakin banyaknya jumlah vektor eigen.
Pengujian Menggunakan Tiga Citra Berbeda dengan Resolusi yang Sama
Pengujian dilakukan menggunakan tiga citra berbeda namun resolusinya sama. Citra yang diujikan adalah citra hangeul.bmp, ziyi.bmp, dan hutan.bmp. Ketiganya mempunyai resolusi 400 × 400 piksel. Tujuan pengujian ini untuk mengetahui pengaruh detail/tekstur citra terhadap kualitas citra hasil rekonstruksi.
Untuk mempersingkat pembahasan, hanya ditampilkan hasil pengujian untuk nilai prosentase pemampatan 70% untuk ketiga citra yang ditunjukkan pada Gambar 3.9, 3.10, dan 3.11.
Gambar 3.9 (a) Citra hangeul.bmp asli; (b) Citra rekonstruksi hangeul.bmp dengan prosentase pemampatan 70%
Gambar 3.10 (a) Citra ziyi.bmp asli; (b) Citra rekonstruksi ziyi.bmp dengan prosentase pemampatan 70%
(a) (b)
(c) (d)
(a) (b)
Gambar 3.11 (a) Citra hutan.bmp asli; (b) Citra rekonstruksi hutan.bmp dengan prosentase pemampatan 70%
Dari ketiga citra yang diuji, dapat diamati hasil rekonstruksi citra hangeul.bmp untuk prosentase pemampatan 70% masih lebih baik dibanding kedua citra lainnya. Hasil rekonstruksi citra ziyi.bmp sedikit lebih baik dibanding dengan hasil rekonstruksi citra hutan.bmp. Hal ini disebabkan detail/tekstur dari citra hangeul.bmp lebih seragam dibandingkan dengan dua citra yang lain, begitu juga tekstur citra ziyi.bmp teksturnya lebih seragam dibandingkan citra hutan.bmp. Citra yang bertekstur seragam, persebaran nilai eigen-nya cenderung mengelompok pada vektor-vektor eigen tertentu, sehingga banyak vektor-vektor-vektor-vektor eigen yang nilainya 0 atau mendekati 0. Citra seperti ini lebih tahan terhadap prosentase pemampatan yang tinggi.
Secara singkat hasil pengujiannya adalah sebagai berikut. Citra hangeul.bmp menunjukkan bahwa untuk rasio pemampatan hingga 85% hasil rekonstruksinya masih baik. Berdasarkan pengamatan mata, tampak citra ziyi.bmp dan hutan.bmp hingga 30% hasil rekonstruksinya masih baik, tetapi berdasarkan persebaran nilai eigen pada vektor eigen-nya citra ziyi.bmp sedikit lebih baik dibandingkan citra hutan.bmp.
Pengaruh Penambahan Data Dummy terhadap Ukuran Berkas Termampat
Pengujian dilakukan menggunakan dua citra yang mempunyai resolusi berbeda dan dimampatkan dengan prosentase pemampatan yang sama. Citra1 mempunyai resolusi 177 × 181 yang tidak habis dibagi 50, citra2 mempunyai resolusi 200 × 200 yang habis dibagi 50.
Hasil pengujiannya ditunjukkan pada tabel 4.1. Citra1 yang resolusinya lebih kecil (177 × 181) ukuran berkas hasil pemampatannya sama dengan ukuran berkas pemampatan citra2 yang resolusinya lebih besar (200 × 200). Secara wajar seharusnya ukuran berkas hasil pemampatan citra1 lebih kecil dibandingkan dengan citra2 karena prosentase pemampatannya sama
yaitu 40%. Hal ini menunjukkan bahwa penambahan data dummy mengakibatkan ukuran berkas hasil pemampatan kurang optimal. Ukuran berkas merupakan hasil penjumlahan dari ukuran header citra, ukuran data citra, dan ukuran footer citra.
Tabel 4.1 Hasil pengujian penambahan data dummy terhadap ukuran berkas citra termampat dengan prosentase pemampatan 40% Keterangan Pengujian Citra 1 (177 × 181
piksel)
Citra 2 (200 × 200 piksel) Ukuran Citra Asli 33,658 kB 41,078 kB Total Piksel Asli 32037 piksel 40000 piksel Ukuran Citra Setelah
Ditambah Dummy (perhitungan)
33,658 kB + 7,963 kB = 41,621 kB
41,078 kB + 0 kB = 41
Total Piksel Setelah Ditambah Dummy
32037 piksel + 7963 = 40000 piksel
40000 piksel + 0 piksel = 40000 piksel Ukuran Header citra 1 x 8 piksel = 32
byte
1 x 8 piksel = 32 byte
Ukuran data citra 10 x 2500 piksel = 25 kB
10 x 2500 piksel = 25 kB
Ukuran footer citra 11 x 16 piksel = 0,176 kB
11 x 16 piksel = 0,176 kB Ukuran berkas
termampat
25,224 kB 25,224 kB
Rasio pemampatan 74,942% 61,405%
Ukuran header citra selalu tetap untuk resolusi berapa pun, namun data citra dan footer citra ukurannya akan berubah-ubah terhadap resolusi citra asli maupun terhadap prosentase pemampatan karena isi dari data citra adalah data hasil pemampatan yang dipengaruhi oleh ukuran resolusi citra asli dan prosentase pemampatan, sedangkan footer citra berisi matriks alihragam dan nilai rerata yang ukurannya juga dipengaruhi oleh resolusi citra asli dan prosentase pemampatan.
Dengan penambahan data dummy, ukuran data citra1 dan footer citra1 (resolusi 171 × 181 piksel) menjadi sama dengan citra2 (resolusi 200 × 200 piksel) karena resolusi pembulatan terdekat yang habis dibagi 50 adalah 200 × 200 piksel, yang kebetulan resolusinya sama dengan citra2. Hal inilah yang menyebabkan ukuran berkas pemampatan citra1 menjadi lebih besar dari yang seharusnya.
V. PENUTUP Kesimpulan
Berdasarkan hasil pengujian, analisa, dan pembahasan maka dapat diambil kesimpulan sebagai berikut.
1. Citra yang resolusinya besar lebih tahan terhadap prosentase pemampatan yang tinggi dibandingkan citra yang resolusinya lebih kecil, karena setiap blok (dimensi) citra menyajikan bagian citra yang lebih sempit sehingga jumlah vektor eigen-nya menjadi lebih banyak. Dengan membandingkan blok-blok citra yang lebih sempit maka hasilnya akan lebih akurat.
2. Semakin tinggi prosentase pemampatan maka kualitas citra rekonstruksi akan semakin buruk karena komponen utama pada vektor-vektor eigen-nya lebih baeigen-nyak terbuang.
3. Citra yang teksturnya detail, persebaran komponen utamanya pada vektor eigen lebih merata dibandingkan citra yang kurang detail. Citra yang kurang detail, persebaran komponen utama cenderung mengelompok pada vektor-vektor eigen tertentu.
4. Persebaran komponen utama mengelompok pada vektor-vektor eigen tertentu mengakibatkan sebagian besar vektor eigen-nya bernilai 0. Citra dengan karakteristik seperti ini lebih tahan terhadap prosentase pemampatan yang tinggi, karena sebagian besar vektor eigen yang bernilai 0 dapat dibuang. Menghilangkan vektor eigen dalam jumlah besar sama artinya dengan menerapkan prosentase pemampatan yang tinggi.
5. Citra yang sangat detail kurang tahan terhadap prosentase pemampatan yang tinggi karena persebaran komponen utama pada vektor-vektor eigen-nya lebih merata. Hampir sebagian besar vektor eigen-nya mempunyai nilai eigen, sehingga jika diterapkan prosentase pemampatan yang tinggi maka vektor-vektor eigen yang nilai eigen-nya tidak 0 akan ikut terbuang.
6. Penambahan data dummy mengakibatkan ukuran berkas termampat menyimpang dari nilai rasio pemampatan yang seharusnya. Besarnya penyimpangan ini tergantung nilai pembulatan resolusi terdekat yang habis dibagi 50.
7. Prosentase pemampatan yang semakin besar mengakibatkan ukuran berkas termampat akan semakin kecil terutama untuk citra yang resolusinya tinggi dan citra yang ditambah dengan data dummy. Tetapi kualitas hasil rekonstruksinya akan semakin buruk.
8. Faktor yang mempengaruhi hubungan antara prosentase pemampatan dengan kualitas hasil
rekonstruksi adalah : ukuran resolusi citra, nilai prosentase pemampatan itu sendiri, serta detail citra. Semakin besar resolusi citra, kualitas rekonstruksi citra akan semakin tahan untuk prosentase pemampatan yang tinggi. Semakin kecil detail citra, kualitas rekonstruksi citra akan semakin tahan untuk prosentase pemampatan yang tinggi.
9. Faktor-faktor yang mempengaruhi ukuran berkas termampat adalah resolusi citra dan penambahan data dummy.
DAFTAR PUSTAKA
[1]. Pitas, I., Digital Image Processing Algorithms, Prentice Hall, 1993.
[2]. Godbole, A.S., Data Communication And Networks, McGraw Hill, 2003.
[3]. Jain, A. K., Fundamentals of Digital Image Processing, Prentice Hall, 1989.
[4]. Calvo,R. and M.Partridge, Fast Dimensionality Reduction and Simple PCA, Departement of Electrical Engineering University of Sydney NSW, Australia, 1997.
[5]. Smith, L.I, A tutorial on Principal Components Analysis, http://vision.auc.dk/sig/, 2002.
[6]. Gunadi, K. dan S.R.Pongsitanan, Pembuatan Perangkat Lunak Pengenalan Wajah Menggunakan Principal Components Analysis, Universitas Kristen Petra, [email protected]. [7]. Sid-Ahmed, M.A., Image Processing Theory, Algorithms, and,
Architectures, McGraw-Hill, Inc., 1995.
[8]. Hanselman, D. and B.Littlefield, Mastering MATLAB 5 A Comprehensive Tutorial and Reference, Prentice Hall, Inc., 1998.
[9]. Wu, M., Review 1 : Image Processing Basics & Compression, Electrical & Computer Engineering University of Maryland, College Park, 2001.
Praditya L2F 000 627
Lahir tanggal 29 September 1982 di Semarang. Saat ini sedang menyelesaikan pendidikan Strata 1 di Jurusan Teknik Elektro Universitas Diponegoro dengan konsentrasi Elektronika Telekomunikasi
Mengetahui/Mengesahkan Pembimbing I
Budi Setiyono, S.T., M.T. NIP. 132 283 184
Pembimbing II
